Jerusalem, 14. Oktober 2026 (TPS-IL) – Israelische Forscher haben ein künstliche Intelligenz-Modell entwickelt, das Bilder aus Gehirnaktivität rekonstruiert. Dies geschieht mit etwa einer Stunde Hirnscans eines neuen Teilnehmers und identifiziert zuvor unbekannte funktionelle Unterteilungen in Gehirnregionen, die an der visuellen Verarbeitung beteiligt sind.

Das Modell mit dem Namen Brain-IT wurde von einem Team unter der Leitung von Prof. Michal Irani am Weizmann Institute of Science entwickelt. Im Gegensatz zu bestehenden Systemen, die Dutzende von Stunden an Hirnscans benötigen, um sich an eine neue Person anzupassen, identifiziert Brain-IT Muster, die zwischen verschiedenen Personen geteilt werden. Dies ermöglicht die Rekonstruktion von Bildern mit größerer Genauigkeit und weniger Trainingsaufwand.

Über die Rekonstruktion von Bildern hinaus könnte die Technologie Wissenschaftlern helfen zu verstehen, wie das Gehirn visuelle Informationen organisiert. Sie könnte auch die Entwicklung von Gehirn-Computer-Schnittstellen vorantreiben, die weniger Training erfordern, obwohl praktische medizinische Anwendungen noch in weiter Ferne liegen.

„Es gibt heute Modelle, die Gehirnaktivität in Bilder übersetzen, und sie können sogar beeindruckende Rekonstruktionen liefern, die die semantische Bedeutung des Bildes recht gut bewahren“, sagte Irani. „Sie neigen jedoch dazu, Fehler bei grundlegenden Merkmalen wie Komposition und Farbe zu machen.“

„Das neue Modell, das wir entwickelt haben, übertrifft sie bei der Rekonstruktion sowohl des Inhalts des Bildes als auch seiner Details“, fügte sie hinzu. „Darüber hinaus benötigt unser Modell nur eine Stunde, während jedes andere Modell Dutzende von Stunden an Hirnscans benötigt, um zu lernen, einen neuen Menschen zu ‚lesen‘.“

Die Forschung wurde für die Präsentation in diesem Jahr auf der International Conference on Learning Representations, einer führenden Konferenz für künstliche Intelligenz, ausgewählt.

KI beibringen, das Gehirn zu lesen

Ein großes Hindernis in diesem Bereich ist der Mangel an Trainingsdaten. Forscher benötigen Bilder, die mit funktionellen Magnetresonanztomographie (fMRT)-Scans gepaart sind, welche Veränderungen der Gehirnaktivität messen, während Menschen Bilder betrachten. Das Sammeln solcher Daten erfordert, dass Teilnehmer viele Stunden in MRT-Scannern verbringen.

Der in der Studie verwendete öffentlich zugängliche Natural Scenes Dataset enthält etwa 73.000 Bild-Scan-Paare von acht Teilnehmern, von denen jeder Tausende von Bildern über 30 bis 40 Scansitzungen betrachtete.

Um diese Einschränkung zu überwinden, entwickelte das Team zwei komplementäre Systeme: einen Encoder, der Gehirnaktivität aus einem Bild vorhersagt, und einen Decoder, der ein Bild aus Gehirnaktivität rekonstruiert.

Der Encoder erzeugte vorhergesagte Gehirnscans für Bilder, die die Teilnehmer noch nie in einem MRT-Scanner gesehen hatten. Der Decoder versuchte dann, diese Bilder aus den Vorhersagen zu rekonstruieren, wodurch die Systeme aus zusätzlichen Beispielen lernen konnten, ohne für jedes Bild neue Scans zu benötigen.

Die Forscher teilten das Gehirn in etwa 40.000 winzige dreidimensionale Einheiten, sogenannte Voxel, auf und verglichen deren Reaktionen auf verschiedene Bilder über Individuen hinweg. Dies deckte wiederkehrende Muster auf, die mit visuellen Merkmalen wie Farbe, Ort und erkennbaren Objekten verbunden waren.

Der Encoder identifizierte 128 funktionelle Regionen, die über Personen hinweg geteilt wurden und spezifische Rollen bei der visuellen Verarbeitung zu spielen schienen. Einige waren Wissenschaftlern bereits bekannt, andere waren neu.

Eine Erkenntnis betraf den parahippocampalen Ortsbereich, eine Gehirnregion, die an der Verarbeitung von Orten und Szenen beteiligt ist. Die Forscher fanden Hinweise auf eine Arbeitsteilung innerhalb der Region, wobei ein Teil auf Innen- und ein anderer auf Außenszenen reagierte.

„Die Stärke des Encoders liegt in seiner Fähigkeit, Regionen zu identifizieren, die in verschiedenen Gehirnen ähnliche Funktionen ausführen, auch wenn ihre anatomischen Lokalisationen unterschiedlich sind“, sagte Irani.

Kurzfristig könnte Brain-IT Forschern helfen, die visuelle Verarbeitung zu untersuchen und gleichzeitig den Bedarf an kostspieligen, zeitaufwändigen Scans zu reduzieren. Seine Fähigkeit, Muster zu identifizieren, die über Individuen hinweg geteilt werden, könnte Wissenschaftlern auch helfen, Gehirn-Computer-Schnittstellen zu entwickeln, die weniger Training erfordern, um sich an neue Benutzer anzupassen. Weitere Forschung ist erforderlich.